理解实体、实体集和深度特征合成是使用 Featuretools 进行自动化特征工程的核心：实体是数据表的抽象，如用户或订单表；实体集是管理多个关联实体及其关系的容器，支持跨表特征生成；深度特征合成通过聚合与变换操作，沿实体间关系路径自动生成高阶特征，如用户平均订单金额或上次登录时间差。正确设置索引、时间戳及实体关系至关重要。
在 Python 中使用 Featuretools 进行特征工程时，有三个核心概念必须理解：实体（Entity）、实体集（EntitySet）和深度特征合成（Deep Feature Synthesis, DFS）。这些是构建自动化特征的基础。
实体（Entity）
实体可以看作是数据表的抽象表示，类似于数据库中的表或 pandas 中的 DataFrame。每个实体包含若干条记录，每条记录由多个变量（即特征）组成。例如，一个“用户”表或“订单”表都可以是一个实体。Featuretools 允许你在一个实体集中管理多个相互关联的实体。
实体集（EntitySet）
实体集是一个容器，用来存放多个相关联的实体以及它们之间的关系。通过定义实体间的链接（比如通过 ID 关联用户和订单），Featuretools 能够跨表自动挖掘特征。创建 EntitySet 是使用 Featuretools 的第一步，它帮助工具理解数据的整体结构。
常见操作包括：
立即学习“Python免费学习笔记（深入）”；
- 将多个 DataFrame 添加到同一个 EntitySet 中
- 指定每个实体的索引列（index）和时间戳列
- 建立实体之间的关系（relationship），如父-子关系
深度特征合成（DFS）
深度特征合成是 Featuretools 的核心技术，用于自动生成新特征。它通过递归地应用变换（transform）和聚合（aggregation）等操作，在多个相关表上组合原始数据，生成高阶特征。
例如：
- 从“订单”表中对每个用户的“订单金额”做 平均值 聚合，生成“用户平均订单金额”
- 在“登录日志”表上使用 时间差 变换，得到“上次登录距今时间”
DFS 能自动遍历实体间的关系路径，生成深层次的、有意义的特征，极大提升建模效率。
基本上就这些。掌握实体、实体集和深度特征合成，就能有效利用 Featuretools 实现自动化特征工程。不复杂但容易忽略细节，比如时间变量的设置和关系定义是否准确。
